Machine Learning en Python

Objectifs

Comprendre l'apport du Machine Learning et ses limitesMaîtriser les principaux algorithmesSavoir créer et optimiser un modèle prédictif en pythonMesurer la qualité des modèles et les performances attendues en productionConnaître le workflow global du projetSavoir mettre en oeuvre les bonnes pratiques pour éviter les écueils de ce type de projetPouvoir déployer un modèle, le superviser et le mettre à jour en productionComprendre comment appliquer le Machine Learning sur des données structurées, sur du texte, et sur des séries temporelles

Programme de la formation

JOUR 1Introduction au Machine Learning :Principe général et concepts basiquesExemples de cas d'usage dans différents secteurs : industrie, marketing, IoT, web, énergie…Cadre d'utilisation : possibilités et limitationsBien formuler la problématique : comment passer d'un problème métier à un problème Machine LearningEcosystème Python :Python scientifique : numpy, pandas, matplotlib, scipyLa lirairie Scikit-learnNotebook Jupyter, AnacondaAlgorithmes de Machine Learning, première partie : les basesRégression linéaire et régression logistiqueK plus proches voisins : KNNArbres de décision et Random Forests 
 
JOUR 2Critères d'évaluation :Régression : MAE, MSE, RMSLE, R²…Classification : accuracy, precision, recall, F1 score…Procédures d'évaluation : train-test split, cross-validation, validation setOptimisation des hyper-paramètres :Gridsearch, randomsearchSoft optimisation et hard optimisationMéthodologie et bonnes pratiques :Déroulé d'un projet de data science : une procédure itérativeWorkflow complet du projetPipeline de transformationEcueils à éviter et comment s'en prémunir : surrapprentissage (overfitting) et fuite de données (data leakage) 
 
JOUR 3Data prepration et feature extraction :Traitement des données aberrantes et manquantesNormalisation et standardisationCombinaison de featuresMise en production :Déployer un modèle en production via une APIMonitoring des modèlesMise à jour des modèlesAlgorithmes de Machine Learning, deuxième partie : les autres catégoriesBoosting et gradient boostingClusteringDétection d'anomalieRéseaux de neurones et Deep LearningAdapter selon le type de données :Comment traiter du texteComment traiter des séries temporelles

Validation et sanction

Attestation

Type de formation

Non certifiante

Sortie

Sans niveau spécifique